Formalna ocena jakości od-wzorowania struktury grupowej na mapie Kohonena

• Autorzy: Kamila Migdał-Najman , Krzysztof Najman

Warianty tytułu

Formal Quality Assessment of Group Structure Mapping on the Kohonen's Map

• Języki publikacji: PL

Abstrakty

Artykuł dotyczy badania możliwości zastosowania siedmiu wskaźników (średni błąd kwantyzacji, błąd topograficzny, błąd dystorsji, współczynnik Kaskiego-Lagus, zlogarytmowany współczynnik Nasha-Sutcliffe'a, indeks Willmotta i liczba martwych neu-ronów) do oceny jakości odwzorowania struktury grupowej jednostek na mapie Kohonena. W eksperymencie wykorzystano wygenerowane zbiory danych o znanej strukturze prze-strzennej jednostek. Poddano analizie związki między wartościami poszczególnych wskaź-ników ze strukturą badanej sieci i zgodnością grupowania ze wzorcem.(abstrakt oryginalny)

EN

In the article the authors studied seven coefficients: mean quantization error, topographic error, distortion measure, Kaski-Lagus measure, logarithmized Nash-Sutcliffe coefficient of efficiency, Willmott's index of agreement and the number of "dead" neurons, to assess the quality of the mapping of the group structure on the Kohonen's map. In the ex-periment the authors used generated data sets with known spatial structure of units. The au-thors analyzed the relationship between the values of the coefficients and the structure of the test network. The authors analyzed the similarity between data clustering and pattern.(original abstract)

Słowa kluczowe

PL

Mapa samoorganizująca

EN

Self-Organizing Maps (SOM)

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2014
• Tom: 22
• Numer: nr 327 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 131--138

Twórcy

autor

Kamila Migdał-Najman

• Uniwersytet Gdański

autor

Krzysztof Najman

• Uniwersytet Gdański

Bibliografia

• Davies D.L., Bouldin D.W. (1979), A cluster separation measure, "Pattern Analysis and Machine Intelligence", IEEE Transactions on, PAMI-1, 2, s. 224-227.
• Herbst M., Casper M.C. (2008), Towards model evaluation and identification using self-organizing maps, "Hydrology and Earth System Science", 12, 2, s. 657-667.
• Kaski S., Lagus K. (1996), Comparing self-organizing maps, Proceedings of the 1996 International Conference on Artificial Neural Networks, Springer-Verlag, Berlin, s. 809-814.
• Kohonen T. (2001 [1997]), Self-Organizing Maps, Springer-Verlag, Berlin - Heidelberg. Migdał-Najman K. (2012), Propozycja hybrydowej metody grupowania opartej na sieciach samo- uczących, [w:] Klasyfikacja i analiza danych - teoria i zastosowania, Taksonomia 19, Prace Na-ukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 242, Wyd. UE, Wrocław, s. 342-351.
• Migdał-Najman K., Najman K. (2013), Samouczące się sztuczne sieci neuronowe w grupowaniu i klasyfikacji danych. Teoria i zastosowania w ekonomii, Wydawnictwo Uniwersytetu Gdańskie-go, Gdańsk.
• Nash J.E., Sutcliffe J.V. (1970), River flow forecasting through conceptual models part I - A discus-sion of principles, "Journal of Hydrology", 10, 3, s. 282-290.
• Pölzlbauer G. (2004), Survey and comparison of quality measures for self-organizing maps, Proceed-ings of the Fifth Workshop on Data Analysis WDA'04, Elfa Academic Press, Slovakia, s. 67-82.
• Rand W.M. (1971), Objective criteria for the evaluation of clustering methods, "Journal of the Amer-ican Statistical Association", 66, 336, s. 846-850.
• Spath H. (1985), Cluster Dissection and Analysis: Theory, FORTRAN Programs, Examples, Halsted Press, New York.
• Sun Y. (2000), On quantization error of self-organizing map network, "Neurocomputing", 34, 1-4, s. 169-193.
• Willmott C.J. (1981), On the validation of models, "Physical Geography", 2, s. 184-194.
• Willmott C.J. (1982), Some comments on the evaluation of model performance, "Bulletin of the American Meteorological Society", 63, 11, s. 1309-1313.